本发明涉及文本向量化领域，具体地，涉及一种文本的向量化方法以及装置。
背景技术：
对于各种机器学习算法来说，它们的输入是向量，输出可以是连续的值或者离散的值。文本分类或聚类是机器学习领域的一个非常重要的应用，文本向量化则是进行文本分类或聚类的第一步，它直接决定机器学习最终结果的好坏。
现有的文本向量化技术如下：
tf-idf(termfrequency–inversedocumentfrequency，词频-逆文档频率)是一种用于信息检索与数据挖掘的常用加权技术。句子向量的维度是词表的个数，每个维度的值是对应词表的词通过tf-idf方法计算出来的权重。tf是指某个词在单个句子中出现的次数，由于句子长度不一，需要进行标准化处理；idf是指逆文档频率，计算公式为log(语料库句子总数/(包含该词的句子数+1))；最终句子维度对应的tf-idf值为tf*idf。
word2vec主要使用的技术方法有continuousbag-of-wordmodel(cbow)和continuousskip-grammodel。cbow的原理是根据上下文来预测当前词语的概率，而skip-gram则是通过当前词语来预测上下文的概率，它们的核心都是神经网络算法，得到的词向量维度较低(100-400比较理想)，词相似度可以很方便通过向量夹角进行计算。但是，我们很难从词向量得到表征句子语义的向量，所以出现了doc2vec，可以直接把句子转化为向量。doc2vec方法除了额外增加一个句子向量外，与word2vec没太大区别。
然而，现有技术存在如下问题：
1、现有技术基本都是基于中文切词，中文切词在书面形式的句子的应用上效果还行，但是处理像舆情这类的口语化句子的效果不佳，会引入相当一部分误差。由于级联效应的存在，会对最终机器学习的结果产生很大程度的影响。此外，依赖于中文切词，对舆情等口语化句子的容错能力较差。
2、tf-idf类型的文本向量化方法最终产生的向量维度较高，从几万到几十万不等，导致资源消耗较大，并且训练过程较长。如果进行降维处理，就会丢失部分信息。word2vec或doc2vec虽然最终的向量维度不高，但是需要强大的语料集来支持，训练耗时耗资源。
3、tf-idf的向量化方案都是有损语义的，即句子和向量是多对一的关系，而这些句子是对应不同种类的，无法进行语义还原。word2vec或doc2vec基于统计，相似的句子结构就会有相似的向量，无法进行语义还原。
技术实现要素：
针对现有技术的缺陷，本发明提供一种文本的向量化方法，通过去除中文切词，避免了切词针对舆情等口语化句子引入的误差及其后续的误差级联效应，并且对舆情等口语化句子的错别字具有较好的容错能力。
依据本发明的第一方面，提出了一种文本的向量化方法，所述方法包括：
获取待处理的文本，并确定所述文本的应用类型，得到所述文本的样本；
提取所述样本的所有单字符元素，得到所述样本的单字符集合；
根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合；
将所述单字符集合和所述双字符集合进行合并，得到词表；
根据所述词表构建得到所述文本的文本向量。
可选地，所述提取所述样本的所有单字符元素之后，所述方法还包括：
分别统计所述样本中每一单字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的单字符元素和所述样本中出现频度最小的单字符元素，从而得到所述样本的单字符集合。
可选地，所述根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合，包括：
在所述应用类型为二元分类的情况下，定义所述样本中双字符数量较少的类别为正样本；
提取所述正样本中所有的双字符元素，得到所述样本的双字符集合。
可选地，所述提取所述正样本中所有的双字符元素之后，所述方法还包括：
分别统计每一双字符元素所对应的出现频度；
分别去除所述正样本中出现频度最大的双字符元素和所述正样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
可选地，所述根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合，还包括：
在所述应用类型为多元分类的情况下，分别提取所述样本中每个类别的所有双字符元素，得到所述样本的双字符集合。
可选地，所述分别提取所述样本中每个类别的所有双字符元素之后，所述方法还包括：
分别统计所述样本中每个类别的每一双字符元素所对应的出现频度；
分别去除所述样本每个类别中出现频度最大的双字符元素和出现频度最小的双字符元素，从而得到所述样本的每个类别的双字符集合；
将所述样本的每个类别的双字符集合进行合并，从而得到所述样本的双字符集合。
可选地，所述根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合，还包括：
在所述应用类型为文本聚类的情况下，提取所述样本中所有的双字符元素，得到所述样本的双字符集合。
可选地，所述提取所述样本中所有的双字符元素之后，所述方法还包括：
分别统计每一双字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的双字符元素和所述样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
依据本发明的第二方面，提出了一种文本的向量化装置，所述装置包括：
获取单元，用于获取用户设备中的文本，并确定所述文本的应用类型，得到所述文本的样本；
第一提取单元，用于提取所述样本的所有单字符元素，得到所述样本的单字符集合；
第二提取单元，用于根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合；
合并单元，用于将所述单字符集合和所述双字符集合进行合并，得到词表；
构建单元，用于根据所述词表构建得到所述文本的文本向量。
可选地，所述第一提取单元，还用于：
分别统计所述样本中每一单字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的单字符元素和所述样本中出现频度最小的单字符元素，从而得到所述样本的单字符集合。
可选地，所述第二提取单元，具体用于：
在所述应用类型为二元分类的情况下，定义所述样本中双字符数量较少的类别为正样本；
提取所述正样本中所有的双字符元素，得到所述样本的双字符集合。
可选地，所述第二提取单元，还用于：
分别统计每一双字符元素所对应的出现频度；
分别去除所述正样本中出现频度最大的双字符元素和所述正样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
可选地，所述第二提取单元，还用于：
在所述应用类型为多元分类的情况下，分别提取所述样本中每个类别的所有双字符元素，得到所述样本的双字符集合。
可选地，所述第二提取单元，还用于：
分别统计所述样本中每个类别的每一双字符元素所对应的出现频度；
分别去除所述样本每个类别中出现频度最大的双字符元素和出现频度最小的双字符元素，从而得到所述样本的每个类别的双字符集合；
将所述样本的每个类别的双字符集合进行合并，从而得到所述样本的双字符集合。
可选地，所述第二提取单元，还用于：
在所述应用类型为文本聚类的情况下，提取所述样本中所有的双字符元素，得到所述样本的双字符集合。
可选地，所述第二提取单元，还用于：
分别统计每一双字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的双字符元素和所述样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
通过上述技术方案，获取待处理的舆情文本，并确定舆情文本的应用类型，得到舆情文本的样本；提取样本的所有单字符元素，得到样本的单字符集合；并根据样本的应用类型提取样本的双字符元素，得到样本的双字符集合；然后，将单字符集合和双字符集合进行合并，得到词表；最后，根据词表构建得到舆情文本的文本向量，避免了中文切词针对舆情等口语化句子引入的误差及其后续的误差级联效应，并且对舆情等口语化句子的错别字具有较好的容错能力。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1是本公开一实施例提供的文本的向量化方法的流程图；
图2是本公开一实施例提供的文本的向量化方法的流程图；
图3是本公开一实施例提供的文本的向量化装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
以下对本公开实施例中提及的部分词语进行举例说明。
本公开实施例中提及的用户设备(userequipment，简称ue)是所使用的移动终端或个人计算机(personalcomputer，简称pc)等设备。例如智能手机、个人数码助理(pda)、平板电脑、笔记本电脑、车载电脑(carputer)、掌上游戏机、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如googleglass、oculusrift、hololens、gearvr)等。
图1是本公开一实施例提供的文本的向量化方法的流程图。如图1所示，本公开一实施例提供的文本的向量化方法包括：
在步骤s101中，获取待处理的文本，并确定所述文本的应用类型，得到所述文本的样本。
其中，待处理的文本是在用户设备中获取的，用户设备可为移动终端或pc端等，终端为所持的用于提供运营服务的移动终端或pa端等设备。所述舆情文本指的是表示舆情的口语化句子，且句子的数量为多个。所述文本为舆情文本。其中，舆情指的是较多群众关于社会中各种现象、问题所表达的信念、态度、意见和情绪等等表现的总和。在具体的应用中，采用人工标注的方式确定所述舆情文本的应用类型，得到所述舆情文本的样本。
接着，在步骤s102中，提取所述样本的所有单字符元素，得到所述样本的单字符集合。
其中，遍历舆情文本的样本，保存样本中口语化句子的所有单字符元素，包括标点符号，一般情况下样本的单字符集合的大小在3000以下。
紧接着，在步骤s103中，根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合。
其中，在获取舆情文本的样本的单字符集合之后，还要考虑字符间的顺序才能从文本向量中还原出句子。对于不同的应用类型，有不同的语义序列获取方式。
具体地，该步骤包括：在所述应用类型为二元分类的情况下，定义所述样本中双字符数量较少的类别为正样本；提取所述正样本中所有的双字符元素，得到所述样本的双字符集合；或，在所述应用类型为多元分类的情况下，分别提取所述样本中每个类别的所有双字符元素，得到所述样本的双字符集合；或，在所述应用类型为文本聚类的情况下，提取所述样本中所有的双字符元素，得到所述样本的双字符集合。具体地，在应用类型为二元分类的情况下，预先对样本通过人工标注的方式区分为正样本和负样本，然后文本向量化仅对正样本进行处理，而在应用类型为多元分类的情况下，则需要对每个分类分别进行处理。
其中，二元分类指的是采用人工标注的方式将舆情文本的样本粗略地分为两大类用于舆情文本的分类。例如，可以按照口语化句子所表达的积极情感或消极情感将舆情文本的样本分为两类，将表达积极情感的口语化句子归为第一样本，将表达消极情感的口语化句子归为第二样本。多元分类指的是采用人工标注的方式将舆情文本的样本细分为多个类别用于舆情文本的分类。例如，可以按照新闻、吐槽、bug、咨询以及建议这五个类别将舆情文本的样本细分为五个大类，还可以按照推广骚扰、未上车开始计费、无法退票、司机作弊、信息被盗用、重复支付、拒付车费、危险驾驶、取消行程收费以及软件崩溃这十个类别将舆情文本的样本细分为十个小类。文本聚类指的是直接提取舆情文本的样本中所有的双字符元素用于舆情文本的聚类。其中，应用类型是指文本向量化完成之后后续使用机器学习对文本进行分类的类型。相应地，二元分类指的是机器学习最终将待处理文本分为两类，多元分类指的是通过机器学习将待处理文本分为多个不同类别，文本聚类指的是将待处理文本进行聚类。对于不同的机器学习分类方式，文本向量化的方法是不相同的。此外，对于二元分类和多元分类，在进行文本向量化和机器学习的分类处理之前，通过人工标注的方式进行了初步的预分类。预先对样本进行分类，可使机器学习这种分类方式。在机器学会这种分类方式之后，可以对待处理文本以这种分类方式进行分类。
优选地，所述提取所述正样本中所有的双字符元素之后，所述方法还包括：分别统计每一双字符元素所对应的出现频度；分别去除所述正样本中出现频度最大的双字符元素和所述正样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。其中，对于出现频度最大的双字符元素，可以认为不需要这些信息也可以进行语义还原。对于出现频度最小的双字符元素，可以认为它不是所述正样本的特征双字符元素，区分度不高。因此，可以去除正样本中出现频度最大的双字符元素和出现频度最小的双字符元素，并将正样本中剩余的双字符元素作为舆情文本的样本的双字符集合。在具体的应用中，对于二元分类，维度(双字符集合中双字符元素的个数)一般控制在1500以内。藉此，最终得到的文本向量比较适合作为机器学习的输入，而且可以控制产生的文本向量的维度，达到较好的分类结果。
优选地，所述分别提取所述样本中每个类别的所有双字符元素之后，所述方法还包括：分别统计所述样本中每个类别的每一双字符元素所对应的出现频度；分别去除所述样本每个类别中出现频度最大的双字符元素和出现频度最小的双字符元素，从而得到所述样本的每个类别的双字符集合；将所述样本的每个类别的双字符集合进行合并，从而得到所述样本的双字符集合。对于多元分类，首先需要对每个类别进行出现频度统计，同二元分类，去除样本每个类别中出现频度最大的双字符元素和出现频度最小的双字符元素，便可得到每个类别的特征双字符元素，对于各个类别具有较好的区分度。之后，求取每个类别的双字符集合的并集，得到最终样本的双字符集合。维度一般控制在1000-7000便可获得较好的分类效果。藉此，每个类别的关键双字符元素都可以作为向量的一个维度，单字符集合为每个类别共有，双字符集合对应每个类别具有不同集合，突出了类别维度特征，有助于提升舆情文本的分类的准确度，而且可以控制产生的文本向量的维度，达到较好的分类结果。
优选地，所述提取所述样本中所有的双字符元素之后，所述方法还包括：分别统计每一双字符元素所对应的出现频度；分别去除所述样本中出现频度最大的双字符元素和所述样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。对于文本聚类，需要对舆情文本的样本进行出现频度的统计，去除样本中出现频度最大的双字符元素和出现频度最小的双字符元素之后，得到样本的双字符集合，维度控制在1000-7000之间达到预期的聚类效果。藉此，最终得到的文本向量比较适合作为机器学习的输入，而且可以控制产生的文本向量的维度，达到较好的聚类结果。
然后，在步骤s104中，将所述单字符集合和所述双字符集合进行合并，得到词表。
最后，在步骤s105中，根据所述词表构建得到所述文本的文本向量。
其中，每个单字符元素或每个双字符元素均可作为与舆情文本中每个口语化句子对应的向量的一个维度，在舆情的口语化句子中出现则为1，否则为0，从而构建得到与舆情文本中每个口语化句子对应的向量，向量的维度为单字符元素与双字符元素的个数之和。对于二元分类，向量的维度在4500维以下，对于多元分类和文本聚类，向量的维度也都是控制在10000维以内，比较适合作为机器学习的输入。
本实施例通过取待处理的舆情文本，并确定舆情文本的应用类型，得到舆情文本的样本；提取样本的所有单字符元素，得到样本的单字符集合；并根据样本的应用类型提取样本的双字符元素，得到样本的双字符集合；然后，将单字符集合和双字符集合进行合并，得到词表；最后，根据词表构建得到舆情文本的文本向量，避免了中文切词针对舆情等口语化句子引入的误差及其后续的误差级联效应，并且对舆情等口语化句子的错别字具有较好的容错能力。
图2是本公开一实施例提供的文本的向量化方法的流程图。如图2所示，本公开一实施例提供的文本的向量化方法包括：
在步骤s201中，获取用户设备中的舆情文本，并确定所述舆情文本的应用类型，得到所述舆情文本的样本。
举例来说，舆情文本的样本如下：{“滴滴的司机很好”：1，“司机的服务态度很好”：1，“滴滴的司机拒载”：0，“这个橙子很好吃的”：0，“快来领券吧”：0}。这个舆情文本的样本包括5个表示舆情的口语化句子，并采用人工标注的方式确定所述舆情文本的应用类型，具体的应用类型为二元分类，将表现滴滴司机服务态度好的口语化句子标注为1，将表现滴滴司机服务态度不好的口语化句子和其它的口语化句子标注为0。
接着，在步骤s202中，提取所述样本的所有单字符元素，并分别统计所述样本中每一单字符元素所对应的出现频度；及分别去除所述样本中出现频度最大的单字符元素和所述样本中出现频度最小的单字符元素，从而得到所述样本的单字符集合。
其中，遍历舆情文本的样本，保存样本中口语化句子的所有单字符元素，包括标点符号，一般情况下样本的单字符集合的大小在3000以下。去除出现频度最低的生僻字符(影响因子小于万分之一)和出现频度最高(分辨能力不高)的字符以后，获取的单字符维度一般在1500以内。
针对步骤s201中的示例，提取其所有的单字符元素，并统计每一单字符元素所对应的出现频度，得到的结果为：
{“滴”：4，“的”：4，“司”3，“机”：3，“很”：3，“好”：3，“服”：1，“务”：1，“态”：1，“度”：1，“拒”：1，“载”：1，“这”：1，“个”：1，“橙”1，“子”：1，“吃”：1，“快”：1，“来”：1，“领”：1，“券”：1，“吧”：1}。
去除样本中出现频度最大的单字符元素和出现频度最小的单字符元素之后，获得的结果为：
{“司”3，“机”：3，“很”：3，“好”：3}。
其中，单字符集合的维度为4维，每维的特征分别为“司”、“机”、“很”、“好”。
紧接着，在步骤s203中，根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合。
由于步骤s201中的示例的应用类型为二元分类，故只需从双字符数量较少的正样本中提取双字符元素便可得到舆情文本的样本的双字符集合。提取正样本中的所有双字符元素，并统计每一双字符元素所对应的出现频度，得到的具体结果如下：
{“滴滴”：1，“滴的”：1，“的司”：1，“司机”：2，“机很”：1，“很好”：2，“机的”：1，“的服”：1，“服务”：1，“务态”：1，“态度”：1，“度很”：1}。
去除出现频度最低的双字符元素之后，获得的结果为：
{“司机”：2，“很好”：2}。
其中，双字符集合的维度为2，每维的特征为“司机”、“很好”。
然后，在步骤s204中，将所述单字符集合和所述双字符集合进行合并，得到词表。
举例来说，根据步骤s202中得到的单字符集合{“司”，“机”，“很”，“好”}以及步骤s203中得到的双字符集合{“司机”，“很好”}，便可得到词表{“司”，“机”，“很”，“好”，“司机”，“很好”}。其中，词表的维度为6维，每个维度的特征分别为“司”、“机”、“很”、“好”、“司机”、“很好”。
最后，在步骤s205中，根据所述词表构建得到所述舆情文本的文本向量。
针对步骤s201中的示例，根据步骤s204中的词表可以得到舆情文本中每个口语化句子对应的向量分别为：
{[1,1,1,1,1,1]:1,[1,1,1,1,1,1]:1,[1,1,0,0,1,0]:0,[0,0,1,1,0,1]:0,[0,0,0,0,0,0]:0}。
对于舆情文本的样本来说，不同类别的口语化句子不会对应相同的向量，避免了不同类别的句子对应同一向量的问题，而且获得的向量的正负样本的区分度很明显。因此，比较适合机器学习训练，在机器学会之后，可获得很好的文本分类效果。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。
图3是本公开一实施例提供的文本的向量化装置的结构示意图。如图3所示，本公开一实施例提供的文本的向量化装置包括：
获取单元301，用于获取用户设备中的文本，并确定所述文本的应用类型，得到所述文本的样本；
第一提取单元302，用于提取所述样本的所有单字符元素，得到所述样本的单字符集合；
第二提取单元303，用于根据所述样本的应用类型提取所述样本的双字符元素，得到所述样本的双字符集合；
合并单元304，用于将所述单字符集合和所述双字符集合进行合并，得到词表；
构建单元305，用于根据所述词表构建得到所述文本的文本向量。
在本公开一可选实施方式中，所述第一提取单元302，还用于：
分别统计所述样本中每一单字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的单字符元素和所述样本中出现频度最小的单字符元素，从而得到所述样本的单字符集合。
在本公开一可选实施方式中，所述第二提取单元303，具体用于：
在所述应用类型为二元分类的情况下，定义所述样本中双字符数量较少的类别为正样本；
提取所述正样本中所有的双字符元素，得到所述样本的双字符集合。
在本公开一可选实施方式中，所述第二提取单元303，还用于：
分别统计每一双字符元素所对应的出现频度；
分别去除所述正样本中出现频度最大的双字符元素和所述正样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
在本公开一可选实施方式中，所述第二提取单元303，还用于：
在所述应用类型为多元分类的情况下，分别提取所述样本中每个类别的所有双字符元素，得到所述样本的双字符集合。
在本公开一可选实施方式中，所述第二提取单元303，还用于：
分别统计所述样本中每个类别的每一双字符元素所对应的出现频度；
分别去除所述样本每个类别中出现频度最大的双字符元素和出现频度最小的双字符元素，从而得到所述样本的每个类别的双字符集合；
将所述样本的每个类别的双字符集合进行合并，从而得到所述样本的双字符集合。
在本公开一可选实施方式中，所述第二提取单元303，还用于：
在所述应用类型为文本聚类的情况下，提取所述样本中所有的双字符元素，得到所述样本的双字符集合。
在本公开一可选实施方式中，所述第二提取单元303，还用于：
分别统计每一双字符元素所对应的出现频度；
分别去除所述样本中出现频度最大的双字符元素和所述样本中出现频度最小的双字符元素，从而得到所述样本的双字符集合。
需要说明的是，对于本公开提供的文本的向量化装置还涉及的具体细节已在本公开提供的文本的向量化方法中作了详细的说明，在此不在赘述。
应当注意的是，在本公开的系统的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。